> **来源：[研报客](https://pc.yanbaoke.cn)** # 人工智能时代的网络总结 ## 核心内容 人工智能体验正在成为移动网络运营商（MNO）在客户差异化竞争中的新焦点。随着AI技术的普及，网络性能的衡量标准从传统的吞吐量、延迟等指标，转向了更细致的AI相关关键绩效指标（KPI）。这些指标不仅影响用户体验，还直接关系到运营商的商业价值和竞争力。 ## 主要观点 - **速度的重新定义**：人工智能体验关注的是“第一个数据包到达的速度”以及“会话流畅度”，而不是单纯的数据传输速度。这意味着网络性能的衡量标准变得更加复杂和精细化。 - **AI体验可衡量**：P3的2026基准测试框架新增了专门用于AI服务的层级，用于测试AI端点的连接性和实时提示功能。通过真实提示运行，可以准确评估会话成功率、TTFT（首个令牌响应时间）和响应时间等指标。 - **AI KPI对网络各层级有影响**：TTFT、流媒体平滑度、多模态上行链路和终端可达性等指标不再仅由RAN（无线接入网）决定，而是涉及用户面功能（UPF）、互联网交换（IX）、服务质量（QoS）、边缘计算（MEC）等多层级网络组件。 - **AI网络作为高管议程**：对于CTO、CSO和CFO等高管，AI体验对网络的定义和运营提出了新的要求，涉及技术、商业和财务多个层面。 ## 关键信息 ### AI相关KPI | KPI 名称 | 描述 | |----------|------| | TTFT | 从发送提示到第一个响应标记的延迟，与标准托管模型（呼叫建立时间）进行对比 | | 流媒体平滑度 | 在30秒的响应期间，令牌数每秒的持续性和间隔可变性 | | 多模态上行链路 | 对于1-5 MB的有效载荷，在平均情况和较低尾部（文件上传会话时间）下均能保持持续的上传吞吐量 | | 终端可达性 | AI端点在可接受的网络行为下是否可达 | | AI响应延迟 | 标准多模态任务（文本+压缩图像）端到端时间：上传、推理、流式响应（文件下载会话时间） | | 边缘人工智能延迟 | 对于拥有MEC的运营商，自建推理与公共云终端的延迟对比 | | 一致性得分 | 同时满足上述四个KPI最低标准的会话比例 | ### 跨市场表现 - 跨市场延迟差距在AI终端端大致为8-18毫秒。 - 在德国DriveTest样本中，领先运营商的TTFT约为0.94秒，落后运营商为1.11秒。 - 这些差异虽然在单次查询中不大，但在每日数亿次AI会话中，会显著影响用户体验。 ### 治理举措 为确保AI KPI的有效治理，P3提出了以下五个关键举措： 1. **明确AI KPI责任归属**：界定零售运营商、共享合作伙伴以及NetCo/ServCo架构中各KPI的责任主体。 2. **扩展共享SLA涵盖范围**：将共享服务水平协议（SLA）的指标从覆盖率和吞吐量扩展到抖动、最坏情况上行性能和会话级一致性。 3. **获取控制功能的配置权限**：为调度器、QoS、切片、本地breakout和路由等控制功能获取安全配置权限，以确保AI KPI的稳定性。 4. **建立联合可观测性**：通过跨RAN、传输、核心和云的联合可观测性，实现问题的快速定位和解决。 5. **保留零售差异化空间**：通过针对AI的特定服务类别和企业级SLA，保留零售市场的差异化能力，避免共享层对商业故事的压制。 ## 结论 人工智能时代的网络竞争已从传统的速度和覆盖转向AI体验的精细化管理和优化。运营商需在多个网络层级上进行协同治理，以确保AI服务的质量和用户体验。同时，AI KPI的引入为运营商提供了新的商业价值评估方式，有助于在B2B市场中实现差异化竞争和收入增长。